CN112329338B - 基于鱼群优化bp神经网络的冷源***控制方法及装置 - Google Patents
基于鱼群优化bp神经网络的冷源***控制方法及装置 Download PDFInfo
- Publication number
- CN112329338B CN112329338B CN202011158663.8A CN202011158663A CN112329338B CN 112329338 B CN112329338 B CN 112329338B CN 202011158663 A CN202011158663 A CN 202011158663A CN 112329338 B CN112329338 B CN 112329338B
- Authority
- CN
- China
- Prior art keywords
- cold source
- neural network
- source system
- data
- source output
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 132
- 241000251468 Actinopterygii Species 0.000 title claims abstract description 71
- 238000000034 method Methods 0.000 title claims abstract description 64
- 238000005457 optimization Methods 0.000 title claims abstract description 48
- 238000012549 training Methods 0.000 claims abstract description 41
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 33
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 93
- 238000001816 cooling Methods 0.000 claims description 30
- 210000002569 neuron Anatomy 0.000 claims description 26
- 238000004590 computer program Methods 0.000 claims description 15
- 230000000007 visual effect Effects 0.000 claims description 10
- 230000006399 behavior Effects 0.000 claims description 7
- 238000010276 construction Methods 0.000 claims description 5
- 238000011478 gradient descent method Methods 0.000 claims description 3
- 210000002364 input neuron Anatomy 0.000 claims description 3
- 210000004205 output neuron Anatomy 0.000 claims description 3
- 230000019637 foraging behavior Effects 0.000 claims description 2
- 238000010586 diagram Methods 0.000 description 14
- 230000008569 process Effects 0.000 description 10
- 230000006870 function Effects 0.000 description 9
- 238000005057 refrigeration Methods 0.000 description 7
- 238000004891 communication Methods 0.000 description 6
- 230000008859 change Effects 0.000 description 4
- 230000000694 effects Effects 0.000 description 4
- 238000012423 maintenance Methods 0.000 description 4
- 238000012545 processing Methods 0.000 description 4
- 230000009471 action Effects 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 230000005540 biological transmission Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000006467 substitution reaction Methods 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 238000012795 verification Methods 0.000 description 2
- 238000007792 addition Methods 0.000 description 1
- 238000004378 air conditioning Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000019771 cognition Effects 0.000 description 1
- 239000000498 cooling water Substances 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000005265 energy consumption Methods 0.000 description 1
- 238000000802 evaporation-induced self-assembly Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 230000002431 foraging effect Effects 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 210000005036 nerve Anatomy 0.000 description 1
- 230000001537 neural effect Effects 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 238000011084 recovery Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
- G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/08—Thermal analysis or thermal optimisation
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Mathematical Physics (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Health & Medical Sciences (AREA)
- Geometry (AREA)
- Medical Informatics (AREA)
- Computer Hardware Design (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Feedback Control In General (AREA)
- Control Of Temperature (AREA)
Abstract
本公开实施例提供了一种基于鱼群优化BP神经网络的冷源***控制方法及装置,方法包括根据冷源***中多类调节影响因子与冷源输出参数之间的关系,建立冷源***控制模型;采集所述调节影响因子与冷源输出参数的数据,形成数据集;通过鱼群算法对数据集进行优化,得到数据集中的最优权值组合集;构建神经网络,将所述最优权值组合集输入到所述神经网络中进行训练,以用于冷源***的自动控制;本公开通过鱼群算法和神经网络结合,能够对采集的数据进行快速寻优和训练,让冷源***的实际输出无限接近***的期望值,可以更加有效地实现***理想温度的智能化控制。
Description
技术领域
本公开属于数据中心冷源***与人工智能领域,尤其涉及一种基于鱼群优化BP神经网络的冷源***控制方法及装置。
背景技术
现有数据中心冷源***的使用方法为人工控制冷源***设备的开启与关闭,通过维护人员的经验,来对外界温度和末端负载量做出对冷源设备开启数量与种类的判断,从而使维护人员手动开启或关闭冷源***设备;同时对冷源***设备运行方案的选择也是多依赖于维护人员的经验。
目前尚未对冷源***设备的开启或关闭方案使用智能化控制;这种人工操作机制受限于维护人员的经验、工作状态和能力等,故而因人工操作失误,导致冷水机组与板式换热器两者使用不当、末端冷源供给不稳定的情况时有发生,继而造成末端带载设备的高温与宕机;这对数据中心的业务稳定运行构成了隐患,现急切需要对冷源***的使用方法进行优化,以实现冷源***合理稳定运行。
因此现有技术容易出现末端设备高温告警的情况,无法满足冷源供给的稳定性要求。
有鉴于此,特提出本公开。
发明内容
本公开实施例提供一种基于鱼群优化BP神经网络的冷源***控制方法、装置、设备及计算机存储介质,能够通过对冷源***各设备的智能化控制,达到提升冷源稳定性的目的。
第一方面,本公开实施例提供一种基于鱼群优化BP神经网络的冷源***控制方法,方法包括:
根据冷源***中多类调节影响因子与冷源输出参数之间的关系,建立冷源***控制模型;
采集所述调节影响因子与冷源输出参数的数据,形成数据集;
通过鱼群算法对数据集进行优化,得到数据集中的最优权值组合集;
构建神经网络,将所述最优权值组合集输入到所述神经网络中进行训练,以用于冷源***的自动控制。
在一些具体实施例中,所述通过鱼群算法对数据集进行优化,得到数据集中的最优权值组合集,包括
根据数据集的数据量,设置鱼群算法的基本参数,该基本参数至少包括鱼群规则、步长、视野以及拥挤度因子;
对数据集中每一组冷源输出参数与其对应的各类调节影响因子的数据,通过鱼群算法进行计算,得到各类数据的最优权值,形成最优权值组合集,用于输入到神经网络中进行训练。
在一些具体实施例中,所述鱼群算法包括觅食行为、聚群行为、追尾行为和/或随机行为。
在一些具体实施例中,所述构建神经网络,将所述最优权值组合集输入到所述神经网络中进行训练,包括:
根据冷源***中多类调节影响因子与冷源输出参数之间的关系,设置神经网络层数以及输出神经元和输入神经元,构造冷源***的神经网络;
设置冷源***的标准冷源输出参数,根据最小均方误差构建真实冷源输出参数与标准输出参数之间的关系式,并依据该关系式推导出权值调整公式;
将所述最佳权值组合集中的数据输入到神经网络中,通过权值调整公式对神经网络进行训练,直至神经网络中的标准冷源输出参数与最佳权值组合集中的冷源输出参数误差在预设范围内,训练结束。
在一些具体实施例中,所述将所述最优权值组合集输入到所述神经网络中进行训练,以用于冷源***的自动控制,包括
向训练后的神经网络中输入实际运行中部分调节影响因子数值,使得神经网络输出至少一个冷源输出参数;
所述冷源***控制模型根据该冷源输出参数以及所述实际运行中部分调节影响因子数值,反向计算剩余调节影响因子的数值,对冷源***进行调整控制。
在一些具体实施例中,所述冷源***为水冷***,所述多类调节影响因子包括室外温度、末端负载量以及冷源设备开启数量,所述冷源输出参数为冷冻水出水温度。
在一些具体实施例中,根据冷源***中多类调节影响因子与冷源输出参数之间的关系,建立冷源***控制模型,包括
预设以温度为限值的冷水机组与换热设备的联动条件,使得低于所述该联动条件时,换热设备单独工作;达到联动条件时,冷水机组与换热设备联动工作;超出联动条件时,冷冻机组单独工作。
另一方面,本公开实施例还提供了一种基于鱼群优化BP神经网络的冷源***控制装置,装置包括
模型构建模块,用于根据冷源***中多类调节影响因子与冷源输出参数之间的关系,建立冷源***控制模型;
数据采集模块,用于采集所述调节影响因子与冷源输出参数的数据,形成数据集或用于进行***自动控制;
数据优化模块,用于通过鱼群算法对数据集进行优化,得到数据集中的最优权值组合集;
数据学习模块,用于构建神经网络,将所述最优权值组合集输入到所述神经网络中进行训练,以对冷源***进行自动控制。
再一方面,本公开实施例还提供了一种基于鱼群优化BP神经网络的冷源***控制设备,所述设备包括处理器,以及存储有计算机程序指令的存储器;所述处理器读取并执行所述计算机程序指令,以实现如上述任意实施例所述的基于鱼群优化BP神经网络的冷源***控制方法。
再一方面,本公开实施例还提供了一种计算机存储介质,所述计算机存储介质上存储有计算机程序指令,所述计算机程序指令被处理器执行时实现如上述任意实施例所述的基于鱼群优化BP神经网络的冷源***控制方法。
本公开实施例的基于鱼群优化BP神经网络的冷源***控制方法、装置、设备及计算机存储介质,通过鱼群算法和神经网络结合,能够对采集的数据进行快速寻优和训练,让冷源***的实际输出无限接近***的期望值,可以更加有效地实现***理想温度的智能化控制。
附图说明
为了更清楚地说明本公开实施例的技术方案,下面将对本公开实施例中所需要使用的附图作简单的介绍,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1是本公开实施例提供的一种基于鱼群优化BP神经网络的冷源***控制方法的流程示意图;
图2是本公开实施例中数据中心冷源***的工作示意图;
图3是本公开实施例提供的一种基于鱼群优化BP神经网络的冷源***控制方法中,构建的冷源控制***的控制逻辑;
图4是本公开实施例提供的一种基于鱼群优化BP神经网络的冷源***控制方法中,选取的神经网络结构示意图;
图5是本公开实施例提供的一种基于鱼群优化BP神经网络的冷源***控制方法中,进行算法验证的结果线形图,其中5a为只进行神经网络训练的结果;5b为经过鱼群算法优化后再进行神经网络训练的结果;
图6为本公开实施例提供的一种基于鱼群优化BP神经网络的冷源***控制方法的工作流程图;
图7是本公开实施例提供的一种基于鱼群优化BP神经网络的冷源***控制装置的结构示意图;
图8是本公开实施例提供的一种基于鱼群优化BP神经网络的冷源***控制设备的结构示意图。
具体实施方式
下面将详细描述本公开的各个方面的特征和示例性实施例,为了使本公开的目的、技术方案及优点更加清楚明白,以下结合附图及具体实施例,对本公开进行进一步详细描述。应理解,此处所描述的具体实施例仅意在解释本公开,而不是限定本公开。对于本领域技术人员来说,本公开可以在不需要这些具体细节中的一些细节的情况下实施。下面对实施例的描述仅仅是为了通过示出本公开的示例来提供对本公开更好的理解。
需要说明的是,在本文中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括……”限定的要素,并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
本公开实施例提供一种基于鱼群优化BP神经网络的冷源***控制方法、装置以及设备和计算机存储介质,对数据中心的冷源***进行控制,通过输入不同的特征,加以神经网络运算,最终实现冷源***、尤其是水冷***的智能控制,如实现对冷水机组与板式换热器的开启数量、以及二者配合使用等情况进行智能控制,进而实现冷源***合理稳定运行。
下面首先对本公开实施例所提供的基于鱼群优化BP神经网络的冷源***控制方法进行介绍。
图1示出了本公开一个实施例提供的基于鱼群优化BP神经网络的冷源***控制方法的流程示意图。如图1所示,该方法可以包括以下步骤:
S001.根据冷源***中多类调节影响因子与冷源输出参数之间的关系,建立冷源***控制模型;
S002.采集所述调节影响因子与冷源输出参数的数据,形成数据集;
S003.通过鱼群算法对数据集进行优化,得到数据集中的最优权值组合集;
S004.构建神经网络,将所述最优权值组合集输入到所述神经网络中进行训练,以用于冷源***的自动控制。
本公开上述方法中的冷源***,即数据中心冷源***,数据中心冷源***分为风冷***与水冷***,其中水冷***效率高,主要由冷水机组、水泵、板式换热器(简称“板换”)、冷却塔等部分构成,如图2所示,当板换与冷水机组联动时,冷冻水泵100工作,板换101热交换的水经过分水器102进入到机房,机房中作为末端负载的水冷***空调103与机房环境换热后,换热的水回流到集水器104,集水器104的水以此经过冷水机组105和冷却塔106处理后再次进入板换101中;当只有板换101开启时,冷水机组105作为管路107但不工作;只有水冷机组105工作时,板换102作为管路但不工作。
目前大多数的大型数据中心均采用水冷***,故而本实施例中的冷源***以水冷***进行说明。
对于大型数据中心,其末端水冷***空调大部分是通过管路将冷冻水进入机房,从而与机房环境进行热交换,并将机房中的热量带走,使服务器等负载保证一个较为合适的温度,使其不至于因为高温而宕机。因此,数据中心采用水冷***时,冷冻水出水温度对于机房环境尤为重要,因此***中冷源输出参数可以将冷冻水出水温度确定为输出变量,并与其他输入变量一起构建水冷***控制模型。
则S001.根据冷源***中多类调节影响因子与冷源输出参数之间的关系,建立冷源***控制模型中,包括
S101.确定冷源***中多类调节影响因子与冷源输出参数之间的关系;
其中,该多类调节影响因子的关系,可以是影响冷冻水出水温度的参数,通过调节这些参数的值达到控制冷冻水出水温度的目的。
因此调节影响因子包括室外温度、末端负载量,冷源设备开启数量、水流速度以及管路压力中的一种或多种;其中水流速度和管路压力在机房建设之初确定,实际使用中无法变化,因此为定值,故而在构建冷源***控制模型时可以不进行考虑;而室外温度、末端负载量以及冷源设备开启数量均会因为实际情况而发生变化,属于变量,因此本实施例控制方法需要对这些变量的值进行寻优,根据得到的最优权值对这些变量的值进行调节控制,从而达到最合理的冷冻水出水温度的变量控制;因此依据室外温度、末端负载量以及冷源设备开启数量三个调节影响因子与冷冻水出水温度之间的关系,构建冷源***控制模型。
由于室外温度随季节以及一天中时间的变化而变化,从而影响室内温度,使机房中的温度也发生变化,因此冷冻水出水温度也要随之变化才能保证服务器的温度在要求范围内;末端负载量的大小决定机房内除却建筑物温度外的负载温度,负载大时,负载产生的温度会升高,此时冷冻水出水温度需要相对应降低才能保证服务器稳定进行;冷源设备(包括冷水机组和板换)的开启数量同理。另外,北方数据中心由于在冬季有自然冷源即极低的室外温度,所以冷源设备一般采用板式换热器与冷水机组联动运行的方式来最大利用自然冷源从而达到节能降低PUE的目标。
因此进一步的,S001中还包括S102.,设置联动条件,对冷水机组与板式换热器的开启数量以及如何配合使用等情况进行条件配置,以实现智能调控,在实现整个***稳定输出的前提下,对冷源***的耗电量进行节能管理,实现制冷效率的最大化。
S102.预设以温度为限值的冷水机组与换热设备的联动条件,使得低于所述该联动条件时,换热设备单独工作;达到联动条件时,冷水机组与换热设备联动工作;超出联动条件时,冷冻机组单独工作,如图3所示:
联动条件包括:
当环境温度下降至6℃以下时,即冬季情况,板式换热器换热效果达到最大;用于进入机房末端水冷***空调(简称“末端负载”,下同)的冷冻水与机房输出的冷却水经过板式换热器进行热交换,使冷冻水出水温度控制到14℃,为末端负载设备提供冷源,同时根据末端负载冷量需求与单台冷源设备的制冷量计算开启台数;该条件下,冷源设备即板式换热器;
当环境温度上升超过6℃且不高于15℃时,即过渡季节,板式换热器与离心式冷水机组联动运行,进行对冷冻水的降温处理,此时根据末端负载冷量需求,在板式换热器制冷量不能满足的情况下,开启冷机进行制冷;根据末端负载冷量需求与单台冷源设备的制冷量计算开启台数;该条件下,冷源设备即板式换热器与冷水机组;
当环境温度升高至15℃以上时,即夏季情况,此时板式换热器无制冷能力,采用冷水机组单独运行,进行对冷冻水的降温处理,并根据末端负载冷量需求开启相对应冷水机组数量。
设定该联动条件,可以在后续神经网络输出冷源输出参数值(即冷冻水出水温度)时,根据室外温度和末端负载数据,自动得出冷源设备的启动情况以及开启数量,如为板换单独工作时开启台数、板换与冷水机组联动时开启台数、或者冷水机组单独工作时的开启台数,利于快速的确定出合理节能冷源设备启动方案,达到冷源***的智能控制。
冷源***控制模型建立完成后,通过该模型,有针对性的进行数据采集,获取大量实际运行中的***相关参数,用于后续的神经网络训练。
S002.采集所述调节影响因子与冷源输出参数的数据,形成数据集;
采集室外温度Ti(i=1,2,……,100),对该数据进行为期一个季度的采集,采集频率为每半小时进行一次;
采集末端负载量Pi(i=1,2,……,100),对该数据进行为期一个季度的采集,由于数据中心服务器负载变化小,因此此类数据采集频率为每天进行一次;
冷源设备开启数量Qq(q=1,2,……,100),对该数据进行为期一个季度的采集,由于冷源设备开启会被室外温度与负载影响,所以对其每半小时进行一次采集。
上述调节影响因子为主要影响冷冻水出水温度的因素,可以作为BP神经网络的输入变量,因此对上述数据进行至少一个季度的采集,并采集其对应的冷冻水出水温度Tn(n=1,2,……,100)的数据,由于此类数据变化频繁,因此对其进行每半10分钟进行一次采集。而末端水冷***空调主要依靠冷冻水出水温度来进行制冷,所以可以将其作为神经网络的输出变量。
采用神经网络自学习的训练方式,可以对部分调节影响因子进行分析,得出一个优选的冷源输出参数,继而达到对冷源***智能控制的目的,避免了人工经验判断的误差,实现智能化、精准化的***控制,且效率高,稳定性好。
当前技术中,神经网络技术广泛应用于不同技术领域或不同类型的神经网络结构,例如“基于SPSA的制冷***最小能耗的数据驱动控制方法”的专利文献(公告号:CN104019520B)中,采用SPSA算法代替传统的PID控制算法进行冷量控制;或者“基于神经网络的车用空调控制***方法”的专利申请文献(CN201310733218.3)中,采用其神经网络使用的领域在车辆、民用方面;上述两篇发明申请文献中,神经网络的使用领域方法同数据中心行业相差较大,且在已有的神经网络的车用空调控制***方法中,其神经网络使用的领域为车载空调,设备情况、影响因素等各个方面均与数据中心不同,其算法也就无法使用在数据中心领域;因而目前尚没有在数据中心采用神经网络的应用。
本公开对数据中心冷源***的智能控制采用神经网络的同时,由于上述采集的数据量过大,直接使用数据集对神经网络进行训练时,易陷入局部最优或最优僵局,同时其收敛速度慢,求解时间长;故而,本公开还包括步骤S003,通过鱼群算法,借助人工鱼的算法,通过个体的局部最优,从而实现全局的最优,将优化后的数据导入神经网络,并对其进行训练,提升训练的速度,优化训练效果。
S301.根据数据集的数据量,设置鱼群算法的基本参数,该基本参数至少包括鱼群规则、步长、视野以及拥挤度因子。
鱼群算法的原理是,设置一条人工鱼当前状态为向量X,X=(X1,X2,X3…,Xn),其中通过Xi(i=1,2,3…,n),Visual为人工鱼视野范围状态,用XV表示,代表其某时刻视点所在位置,若该位置的状态优于当前状态X,则可以向当前位置方向前进一步,达到状态Xnext,若该位置视野范围状态XV不比当前状态更优,则继续巡视视野内的其他位置。通过巡视对周围环境有一个全方位立体认知,继而有助于快速找到最优值。
本实施例中,根据采集的数据数量,设定鱼群规模N=20、人工鱼移动最大步长(Step)S=0.3、人工鱼的最大视野(Visual)V=2.5、拥挤度因子δ=3.168;人工鱼可以代表神经网络结构对应数据中心冷源***中所需要的末端负载冷量需求、室外温度、制冷设备开启数量和冷冻水出水温度,对上述四类数据进行寻优。
S302.对数据集中每一组冷源输出参数与其对应的各类调节影响因子的数据,通过鱼群算法进行计算,得到各类数据的最优权值,形成最优权值组合集;
人工鱼当前所在位置的食物浓度表示为Y=f(x),其中Y为目标函数值;则有,若当前领域内(即d<Visual)内有最优伙伴,也即上述同类数据中有出现概率最高的数据且食物浓度最大,则该伙伴设定为Xbest,如果当前位置对应的食物浓度Ybest符合Ybest/nf>δYi(nf为当前领域内的伙伴数目,δYi为当前领域内的拥挤度因子),则表明Xbest位置的食物浓度高且不拥挤,则朝Xbest的方向前进,其数学表达式为:
其中rand()函数为0到1之间的随机数。
按照该方式对四类数据进行寻优,寻优得出的四类数据结果必然对应为多组数据,即一个最优冷冻水出水温度值对应一个最优末端负载冷量需求值、一个最优室外温度值以及一个最优制冷设备开启数量值,亦即为一组最优权值组合。以此对整个数据集进行鱼群优化,得到最优权值组合集;鱼群优化结束,并将最优权值组合集输出至神经网络中进行训练。
若当前领域内(即d<Visual)内没有最优伙伴,则将上述的末端负载冷量需求、室外温度、制冷设备开启数量和冷冻水出水温度等变量参数分别设定为人工鱼个体状态状态向量,并对其分别进行觅食、聚群、追尾和随机行为,直至其达到Xbest,继而将其最优权值组合输出至BP神经网络中对BP神经网络进行训练。
S401.根据冷源***中多类调节影响因子与冷源输出参数之间的关系,设置神经网络层数以及输出神经元和输入神经元,构造冷源***的神经网络;
神经网络主要由输入层、隐藏层和输出层三部分组成,本实施例中选取BP神经网络(BP即Back Propagation,一种按误差逆传播算法训练的多层前馈网络)如图4的结构。
冷源***的BP神经网络设计为3层神经网络,3个输入神经元,1个输出神经元,由于输入向量是处于[-1,1]之间的数,输出向量分布超出[-1,1],所以隐含层神经元传递选用tansig函数,输入层神经元选用purelin函数。根据隐含层神经元公式:
式中:n1为隐含层神经元数,n为输入层神经元数,s为输出层神经元数,c为[1,10]之间的常数。
因此,初步判断隐含层神经元数为8;经过试验,在Matlab编程时,使用循环函数,尝试7-11作为隐含层神经元数,分别以0.001作为误差精度,都能顺利收敛,但在8时收敛最快,因而确定隐含层神经元数为8。
通过采用上述鱼群规模,设定人工鱼的状态X为D维向量,D是神经网络权值和阈值的总和,本实施例中3层神经网络,则D=(s+n)n1+n1+s。确定D维向量后,使用鱼群算法训练出的最优权值组合集,输入到构建的BP神经网络中,对神经网络进行训练,完成BP神经网络输入、输出之间的运算。
S402.设置冷源***的标准冷源输出参数,根据最小均方误差构建真实冷源输出参数与标准输出参数之间的关系式,并依据该关系式推导出权值调整公式,包括:
若用a表示输出层的真实输出参数,t表示网络的标准输出参数,则最小均方误差可以表示为:
F(x)=E(e2)=E((t-a)2)
权值调整公式如下:
其中,w是神经元之间的连接权重,m为所在层,是第i个神经元连接到第j个神经元的权重,/>是m层第i个神经元的偏置,α为迭代步长,k是迭代步数。
调整权值的具体计算过程如下:
用于指代等号“=”后的公式,以代入下文公式中。
根据上述两个公式得出:
则得到权值w和偏置b的梯度下降法调整公式:
其中,
S403.将所述最佳权值组合集中的数据输入到神经网络中,通过上述权值调整公式对神经网络进行训练,直至神经网络中的标准冷源输出参数与最佳权值组合集中的冷源输出参数误差在预设范围内,训练结束。
神经网络训练过程中,对冷冻水出水温度的期望值(即标准冷源输出参数)与真实输出值进行对比,若接近则学习结束;反之则反向进行各层误差值计算,调整各层权值w和b,并重新进行BP神经网络训练。
S404.对冷源***进行神经网络控制
结合图6,训练结束后,将上述冷源***控制模型与经过鱼群优化后的BP神经网络结合,与冷源***控制模型进行联动。将室外温度和末端负载量作为冷冻水温度控制指令U1、U2,通过输入上述指令至神经网络,***输出一个冷冻水出水温度值,从而反向去对冷源设备的开启数量进行调节,继而使冷冻水的实际输出值与其期望值相近。
为此,本实施例还对本公开的方案进行了验证:
1)测试环境
IDC(Internet Data Center,互联网数据中心)冷源***中有3台冷机与板式换热器进行制冷,其中冷冻水回水温度(该温度由水冷***中板换与冷水机组工作情况决定)、末端负载量、室外温度共同作用控制着冷冻水出水温度,依据《电子信息***机房设计规范》(GB50174—2008)标准,要将末端空调送风温度有效的控制在18-28℃范围,冷冻水出水温度要控制在13-17℃。
2)算法检验
将现场新采集的数据经过鱼群优化与神经网络训练后,得出的采用冷源设备种类与数量均与人工操控时开启情况相似,例:当末端负载为10000KW时,室外温度为零下10度且冷冻水出水温度为15度时,***采用2台板式换热器进行末端制冷,此运算结果与现场测试情况基本相符,满足冷源***运行模型,同时可以保证末端负载正常运行。
比较BP神经网络和鱼群算法优化后的BP神经网络,如图5a所示的神经网络训练结果,以及图5b所示的鱼群优化神经网络训练结果所示:
从网络训练图中可以看出:同样0.0001为误差值,普通BP神经训练经过168次训练后能够达到目标,而鱼群算法优化后的BP神经网络只需要88次训练就能达到目标。后者具有更快的收敛特性,能够在短时间内找到最优点。
因此,本公开基于鱼群优化BP神经网络的冷源***控制方法中,通过室外温度、末端负载量,冷源设备开启数量与冷冻水出水温度之间的影响关系等特征(包括制冷机组的种类与数量衡量标准等),建立神经网络,实现冷源***的人工智能控制,实现***的高可靠性,为末端负载提供稳定冷源,提升了末端负载环境的稳定;
并且在使用神经网络训练过程中,通过鱼群算法与BP神经网络结合,提升了数据的权值的快速收敛寻优,缩短BP神经网络的运算时间并提升运算结果的准确度。
第二方面,本发明还提供了一种可以实施该方法的基于鱼群优化BP神经网络的冷源***控制装置,如图7所示,装置包括
模型构建模块,用于根据冷源***中多类调节影响因子与冷源输出参数之间的关系,建立冷源***控制模型;
数据采集模块,用于采集所述调节影响因子与冷源输出参数的数据,形成数据集或用于进行***自动控制;
数据优化模块,用于通过鱼群算法对数据集进行优化,得到数据集中的最优权值组合集;
数据学习模块,用于构建神经网络,将所述最优权值组合集输入到所述神经网络中进行训练,以对冷源***进行自动控制。
其中,图7所示装置中的各个模块具有实现图1中各个步骤的功能,并能达到其相应的技术效果,为简洁描述,在此不再赘述。
再一方面,本公开实施例提供了一种基于鱼群优化BP神经网络的冷源***控制设备,如图8所示,为该设备的结构示意图。
在基于鱼群优化BP神经网络的冷源***控制设备中可以包括处理器301以及存储有计算机程序指令的存储器302。
具体地,上述处理器301可以包括中央处理器(Central Processing Unit,CPU),或者特定集成电路(Application Specific Integrated Circuit,ASIC),或者可以被配置成实施本公开实施例的一个或多个集成电路。
存储器302可以包括用于数据或指令的大容量存储器。举例来说而非限制,存储器302可包括硬盘驱动器(Hard Disk Drive,HDD)、软盘驱动器、闪存、光盘、磁光盘、磁带或通用串行总线(Universal Serial Bus,USB)驱动器或者两个或更多个以上这些的组合。在一个实例中,存储器302可以包括可移除或不可移除(或固定)的介质,或者存储器302是非易失性固态存储器。存储器302可在综合网关容灾设备的内部或外部。
处理器301通过读取并执行存储器302中存储的计算机程序指令,以实现图yy所示实施例中的方法/步骤S001至S004,并达到图1所示实例执行其方法/步骤达到的相应技术效果,为简洁描述在此不再赘述。
在一个示例中,基于鱼群优化BP神经网络的冷源***控制设备还可包括通信接口303和总线310。其中,如图3所示,处理器301、存储器302、通信接口303通过总线310连接并完成相互间的通信。
通信接口303,主要用于实现本公开实施例中各模块、装置、单元和/或设备之间的通信。
总线310包括硬件、软件或两者,将在线数据流量计费设备的部件彼此耦接在一起。举例来说而非限制,总线可包括加速图形端口(Accelerated Graphics Port,AGP)或其他图形总线、增强工业标准架构(Extended Industry Standard Architecture,EISA)总线、前端总线(Front Side Bus,FSB)、超传输(Hyper Transport,HT)互连、工业标准架构(Industry Standard Architecture,ISA)总线、无限带宽互连、低引脚数(LPC)总线、存储器总线、微信道架构(MCA)总线、***组件互连(PCI)总线、PCI-Express(PCI-X)总线、串行高级技术附件(SATA)总线、视频电子标准协会局部(VLB)总线或其他合适的总线或者两个或更多个以上这些的组合。在合适的情况下,总线310可包括一个或多个总线。尽管本公开实施例描述和示出了特定的总线,但本公开考虑任何合适的总线或互连。
另外,结合上述实施例中的基于鱼群优化BP神经网络的冷源***控制方法,本公开实施例可提供一种计算机存储介质来实现。该计算机存储介质上存储有计算机程序指令;该计算机程序指令被处理器执行时实现上述实施例中的任意一种基于鱼群优化BP神经网络的冷源***控制方法。
需要明确的是,本公开并不局限于上文所描述并在图中示出的特定配置和处理。为了简明起见,这里省略了对已知方法的详细描述。在上述实施例中,描述和示出了若干具体的步骤作为示例。但是,本公开的方法过程并不限于所描述和示出的具体步骤,本领域的技术人员可以在领会本公开的精神后,作出各种改变、修改和添加,或者改变步骤之间的顺序。
以上所述的结构框图中所示的功能块可以实现为硬件、软件、固件或者它们的组合。当以硬件方式实现时,其可以例如是电子电路、专用集成电路(Application SpecificIntegrated Circuit,ASIC)、适当的固件、插件、功能卡等等。当以软件方式实现时,本公开的元素是被用于执行所需任务的程序或者代码段。程序或者代码段可以存储在机器可读介质中,或者通过载波中携带的数据信号在传输介质或者通信链路上传送。“机器可读介质”可以包括能够存储或传输信息的任何介质。机器可读介质的例子包括电子电路、半导体存储器设备、ROM、闪存、可擦除ROM(EROM)、软盘、CD-ROM、光盘、硬盘、光纤介质、射频(RadioFrequency,RF)链路,等等。代码段可以经由诸如因特网、内联网等的计算机网络被下载。
还需要说明的是,本公开中提及的示例性实施例,基于一系列的步骤或者装置描述一些方法或***。但是,本公开不局限于上述步骤的顺序,也就是说,可以按照实施例中提及的顺序执行步骤,也可以不同于实施例中的顺序,或者若干步骤同时执行。
上面参考根据本公开的实施例的方法、装置(***)和计算机程序产品的流程图和/或框图描述了本公开的各方面。应当理解,流程图和/或框图中的每个方框以及流程图和/或框图中各方框的组合可以由计算机程序指令实现。这些计算机程序指令可被提供给通用计算机、专用计算机、或其它可编程数据处理装置的处理器,以产生一种机器,使得经由计算机或其它可编程数据处理装置的处理器执行的这些指令使能对流程图和/或框图的一个或多个方框中指定的功能/动作的实现。这种处理器可以是但不限于是通用处理器、专用处理器、特殊应用处理器或者现场可编程逻辑电路。还可理解,框图和/或流程图中的每个方框以及框图和/或流程图中的方框的组合,也可以由执行指定的功能或动作的专用硬件来实现,或可由专用硬件和计算机指令的组合来实现。
以上所述,仅为本公开的具体实施方式,所属领域的技术人员可以清楚地了解到,为了描述的方便和简洁,上述描述的***、模块和单元的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。应理解,本公开的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本公开揭露的技术范围内,可轻易想到各种等效的修改或替换,这些修改或替换都应涵盖在本公开的保护范围之内。
Claims (7)
1.一种基于鱼群优化BP神经网络的冷源***控制方法,其特征在于,包括:
根据冷源***中多类调节影响因子与冷源输出参数之间的关系,建立冷源***控制模型;所述冷源***为水冷***,所述多类调节影响因子包括室外温度、末端负载量以及冷源设备开启数量,所述冷源输出参数为冷冻水出水温度;
采集所述调节影响因子与冷源输出参数的数据,形成数据集;
通过鱼群算法对数据集进行优化,得到数据集中的最优权值组合集;
构建神经网络,将所述最优权值组合集输入到所述神经网络中进行训练,以用于冷源***的自动控制;
所述根据冷源***中多类调节影响因子与冷源输出参数之间的关系,建立冷源***控制模型,包括:
预设以环境温度为限值的冷水机组与换热设备的联动条件,使得低于所述该联动条件时,换热设备单独工作;达到联动条件时,冷水机组与换热设备联动工作;超出联动条件时,冷水机组单独工作;
所述构建神经网络,将所述最优权值组合集输入到所述神经网络中进行训练,包括:
根据冷源***中多类调节影响因子与冷源输出参数之间的关系,设置神经网络层数以及输出神经元和输入神经元,构造冷源***的神经网络;
设置冷源***的标准冷源输出参数,根据最小均方误差构建真实冷源输出参数与标准输出参数之间的关系式,并依据该关系式推导出权值调整公式;
将所述最优权值组合集中的数据输入到神经网络中,通过权值调整公式对神经网络进行训练,直至神经网络中的标准冷源输出参数与最优权值组合集中的冷源输出参数误差在预设范围内,训练结束;
权值w和偏置b的梯度下降法调整公式为:
其中,w是神经元之间的连接权重,m为所在层,是第i个神经元连接到第j个神经元的权重,/>是m层第i个神经元的偏置,α为迭代步长,k是迭代步数;
2.根据权利要求1所述的基于鱼群优化BP神经网络的冷源***控制方法,其特征在于,所述通过鱼群算法对数据集进行优化,得到数据集中的最优权值组合集,包括:
根据数据集的数据量,设置鱼群算法的基本参数,该基本参数至少包括鱼群规则、步长、视野以及拥挤度因子;
对数据集中每一组冷源输出参数与其对应的各类调节影响因子的数据,通过鱼群算法进行计算,得到各类数据的最优权值,形成最优权值组合集,用于输入到神经网络中进行训练。
3.根据权利要求2所述的基于鱼群优化BP神经网络的冷源***控制方法,其特征在于,所述鱼群算法包括觅食行为、聚群行为、追尾行为和/或随机行为。
4.根据权利要求1所述的基于鱼群优化BP神经网络的冷源***控制方法,其特征在于,所述将所述最优权值组合集输入到所述神经网络中进行训练,以用于冷源***的自动控制,包括
向训练后的神经网络中输入实际运行中部分调节影响因子数值,使得神经网络输出至少一个冷源输出参数;
所述冷源***控制模型根据该冷源输出参数以及所述实际运行中部分调节影响因子数值,反向计算剩余调节影响因子的数值,对冷源***进行调整控制。
5.一种基于鱼群优化BP神经网络的冷源***控制装置,其特征在于,包括
模型构建模块,用于根据冷源***中多类调节影响因子与冷源输出参数之间的关系,建立冷源***控制模型;所述冷源***为水冷***,所述多类调节影响因子包括室外温度、末端负载量以及冷源设备开启数量,所述冷源输出参数为冷冻水出水温度;
数据采集模块,用于采集所述调节影响因子与冷源输出参数的数据,形成数据集或用于进行***自动控制;
数据优化模块,用于通过鱼群算法对数据集进行优化,得到数据集中的最优权值组合集;
数据学习模块,用于构建神经网络,将所述最优权值组合集输入到所述神经网络中进行训练,以对冷源***进行自动控制;
所述模型构建模块,具体用于预设以环境温度为限值的冷水机组与换热设备的联动条件,使得低于所述该联动条件时,换热设备单独工作;达到联动条件时,冷水机组与换热设备联动工作;超出联动条件时,冷水机组单独工作;
所述数据学习模块,具体用于根据冷源***中多类调节影响因子与冷源输出参数之间的关系,设置神经网络层数以及输出神经元和输入神经元,构造冷源***的神经网络;设置冷源***的标准冷源输出参数,根据最小均方误差构建真实冷源输出参数与标准输出参数之间的关系式,并依据该关系式推导出权值调整公式;将所述最优权值组合集中的数据输入到神经网络中,通过权值调整公式对神经网络进行训练,直至神经网络中的标准冷源输出参数与最优权值组合集中的冷源输出参数误差在预设范围内,训练结束;其中,
权值w和偏置b的梯度下降法调整公式为:
其中,w是神经元之间的连接权重,m为所在层,是第i个神经元连接到第j个神经元的权重,/>是m层第i个神经元的偏置,α为迭代步长,k是迭代步数;
6.一种基于鱼群优化BP神经网络的冷源***控制设备,其特征在于,所述设备包括处理器,以及存储有计算机程序指令的存储器;所述处理器读取并执行所述计算机程序指令,以实现如权利要求1-4任意一项所述的基于鱼群优化BP神经网络的冷源***控制方法。
7.一种计算机存储介质,其特征在于,所述计算机存储介质上存储有计算机程序指令,所述计算机程序指令被处理器执行时实现如权利要求1-4任意一项所述的基于鱼群优化BP神经网络的冷源***控制方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011158663.8A CN112329338B (zh) | 2020-10-26 | 2020-10-26 | 基于鱼群优化bp神经网络的冷源***控制方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011158663.8A CN112329338B (zh) | 2020-10-26 | 2020-10-26 | 基于鱼群优化bp神经网络的冷源***控制方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112329338A CN112329338A (zh) | 2021-02-05 |
CN112329338B true CN112329338B (zh) | 2023-07-28 |
Family
ID=74311920
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011158663.8A Active CN112329338B (zh) | 2020-10-26 | 2020-10-26 | 基于鱼群优化bp神经网络的冷源***控制方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112329338B (zh) |
Families Citing this family (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112966399B (zh) * | 2021-04-15 | 2023-08-22 | 苏州大学张家港工业技术研究院 | 一种基于机器学习的脉管制冷机工况预测方法及*** |
CN113742999B (zh) * | 2021-08-12 | 2023-09-26 | 中国船舶重工集团公司第七一九研究所 | 印刷电路板式换热器设计方法及装置 |
CN114216246B (zh) * | 2021-12-16 | 2023-08-29 | 东软云科技有限公司 | 空调机组控制方法、装置、存储介质及电子设备 |
CN116893614B (zh) * | 2023-06-06 | 2023-12-15 | 苏州优世达智能科技有限公司 | 一种基于多传感器融合的水陆两栖无人艇的控制方法 |
CN117647932B (zh) * | 2024-01-25 | 2024-05-07 | 上海碳索能源服务股份有限公司 | 冷却泵流量预测模型构建方法、***、终端及介质 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2015172560A1 (zh) * | 2014-05-16 | 2015-11-19 | 华南理工大学 | 基于bp神经网络的中央空调冷负荷的预测方法 |
CN105160398A (zh) * | 2015-08-04 | 2015-12-16 | 莆田学院 | 基于人工鱼群算法的微生物发酵优化方法 |
CN110222878A (zh) * | 2019-05-17 | 2019-09-10 | 广东工业大学 | 一种基于人工鱼群神经网络的短期负荷预测方法 |
Family Cites Families (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104089362B (zh) * | 2014-06-03 | 2016-09-28 | 杭州哲达科技股份有限公司 | 一种中央空调冷却水***冷却效率极大化方法及控制装置 |
CN107330510A (zh) * | 2017-06-30 | 2017-11-07 | 南京信息工程大学 | 基于afsa‑bp神经网络的湿度传感器温度补偿方法 |
CN108089440A (zh) * | 2017-12-06 | 2018-05-29 | 北京百度网讯科技有限公司 | 节能控制方法和装置 |
CN109084415B (zh) * | 2018-07-26 | 2021-04-02 | 杭州哲达节能科技有限公司 | 基于神经网络和遗传算法的中央空调运行参数寻优方法 |
CN110285532B (zh) * | 2019-07-04 | 2021-07-30 | 中国工商银行股份有限公司 | 基于人工智能的机房空调控制方法、装置及*** |
CN110848896A (zh) * | 2019-11-12 | 2020-02-28 | 深圳孚沃德斯科技有限公司 | 基于神经网络的空调冷却***智能节能控制***及方法 |
CN110805997A (zh) * | 2019-11-14 | 2020-02-18 | 中金新源(天津)科技有限公司 | 中央空调***节能控制方法 |
CN111144543A (zh) * | 2019-12-30 | 2020-05-12 | ***通信集团内蒙古有限公司 | 一种数据中心空调末端温度控制方法、装置及介质 |
-
2020
- 2020-10-26 CN CN202011158663.8A patent/CN112329338B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2015172560A1 (zh) * | 2014-05-16 | 2015-11-19 | 华南理工大学 | 基于bp神经网络的中央空调冷负荷的预测方法 |
CN105160398A (zh) * | 2015-08-04 | 2015-12-16 | 莆田学院 | 基于人工鱼群算法的微生物发酵优化方法 |
CN110222878A (zh) * | 2019-05-17 | 2019-09-10 | 广东工业大学 | 一种基于人工鱼群神经网络的短期负荷预测方法 |
Non-Patent Citations (1)
Title |
---|
基于改进人工鱼群算法的神经网络优化;魏立新;张峻林;刘青松;;控制工程;第21卷(第01期);84-87+93 * |
Also Published As
Publication number | Publication date |
---|---|
CN112329338A (zh) | 2021-02-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112329338B (zh) | 基于鱼群优化bp神经网络的冷源***控制方法及装置 | |
CN110288164B (zh) | 一种建筑空调制冷站***预测控制方法 | |
CN108413567B (zh) | 基于物联网的中央空调节费优化方法与*** | |
CN111256294B (zh) | 一种基于模型预测的冷水机组组合运行优化控制方法 | |
CN104019526B (zh) | 改进pso算法模糊自适应pid温湿度控制***及方法 | |
CN106920006A (zh) | 一种基于isoa‑lssvm的地铁站空调***能耗预测方法 | |
CN102367980B (zh) | 一种中央空调多维度集成优化控制***及方法 | |
CN114383299B (zh) | 基于大数据与动态仿真的中央空调***运行策略优化方法 | |
CN112628956B (zh) | 基于边云协同框架的冷水机组负荷预测控制方法和*** | |
CN105444356A (zh) | 一种中央空调***的能效优化智能控制***及其控制方法 | |
CN113739365A (zh) | 中央空调冷站群控节能控制方法、装置、设备及存储介质 | |
CN111144543A (zh) | 一种数据中心空调末端温度控制方法、装置及介质 | |
CN105303247A (zh) | 一种园区型冷热能源混合应用的能源网络调控方法及*** | |
CN116398994B (zh) | 一种基于负荷预测的冷水机组群控优化方法 | |
CN113551373A (zh) | 一种基于联邦强化学习的数据中心空调节能控制方法 | |
CN110186156A (zh) | 制冷站模糊控制*** | |
CN110940061A (zh) | 中央空调控制方法及*** | |
CN108563877A (zh) | 太阳能溴化锂制冷机组的整体建模与最优控制一体化方法 | |
CN116266253A (zh) | 空调参数的优化控制方法、***和计算机可读存储介质 | |
CN115930369A (zh) | 一种基于智能化控制的中央空调***节能方法 | |
CN115049141A (zh) | 用于制冷***的控制方法、控制装置和制冷*** | |
CN111473480A (zh) | 一种基于决策树分类的中央空调节能控制方法 | |
CN111415036A (zh) | 一种中央空调***并联冷机负荷优化分配方法 | |
CN111787764B (zh) | 多联机制冷机组的能耗优化方法及装置、电子设备、存储介质 | |
CN111043720B (zh) | 负荷不确定性下制冷***低成本鲁棒性调适策略制定方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |